随着数字地球的快速发展,越来越多的传感器每时每刻都在产生着庞大的数据流,这些数据流中隐含了大量对生产生活有价值的信息,快速、有效地挖掘这些数据中的模式规律等信息是数据挖掘的主要目的。分类和回归是数据挖掘领域的两项主要任务,由于数据流本身的高速性、连续性、潜在无穷性、时间演化性等特点,传统的静态数据挖掘算法在处理数据流时很难达到满意的效果。构建一种在线、快速、准确的增量式数据流分类、回归算法是数据挖掘领域的重要研究方向。本文提出一种基于代表性原型的数据流分类算法:算法选出有限数量的最有代表性的样本原型作为分类的训练样本集以代表数据流当前时刻最新的概念,并利用懒惰学习方法进行分类。算法通过错误率驱动的代表性学习方法在线更新代表性原型的权重以适应渐变概念漂移;通过保存误分类样本点,并利用局部误分类监控检测突变概念漂移并更新模型,进而摆脱噪声数据的影响;此外,算法通过快速最近邻压缩规则对代表性原型集合进行压缩,限制代表性原型的数量,保证了算法运行的高效性。本文提出一种基于代表性样本的数据流回归算法:算法选出有代表性的样本数据作为训练集数据,利用代表性样本构建基于递推最小二乘法的模型树,对待预测样本进行在线预测与模型更新。算法基于代表性样本的预测表现和其空间相对位置对样本代表性权重进行在线学习以适应渐变概念漂移;算法基于统计过程控制的思想对模型错误率进行监控进而检测突变概念漂移并更新模型。最后,本文将基于代表性样本的数据流回归算法应用到清流河流域中,对其月尺度径流进行动态模拟。模拟结果显示,纳什效率系数达到0.77,均方根误差RMSE为9.18。与传统机器学习方法和水文模型方法相比,本文提出方法的径流模拟效果更优,尤其是对径流峰值模拟更为准确。本文创新性地提出基于代表性原型的数据流分类算法和基于代表性样本的数据流回归算法,并将其应用到径流模拟中,且取得了较好的效果。本文学科交叉特色鲜明,研究结果表明,数据流挖掘可为径流动态模拟等变化环境下的资源环境问题提供新思路和新方法。